Emlékszel az általam lemásolt 86 millió dolláros rendszám-leolvasóra? Elkaptam vele valakit.

Emlékszel az általam lemásolt 86 millió dolláros rendszám-leolvasóra? Elkaptam vele valakit.

Néhány héttel ezelőtt közzétettem az akkori véleményem szerint egy meglehetősen ártalmatlan cikket: Hogyan reprodukáltam egy 86 millió dolláros projektet 57 kódsorban.

Bevallom - meglehetősen kattintásos csalik voltak. Lényegében azt mondtam, hogy ugyanazt a rendszámtáblázási és hitelesítési technológiát reprodukáltam, amelyért az ausztráliai Viktória rendőrsége éppen 86 millió dollárt fizetett.

Azóta a reakciók elsöprőek. Cikkem az első nap során több mint 100 000 találatot kapott, és végül egy pillanat alatt 450 000 körül ül. Meghívást kaptam a helyi rádió beszélgetős műsorokba és egy kaliforniai konferenciára. Azt hiszem, valaki rosszul olvashatta Victoria, AU, mint Victoria, BC.

Bár udvariasan elutasítottam ezeket az ajánlatokat, találkoztam kávézni különféle helyi fejlesztőkkel és nagy cégekkel egyaránt. Hihetetlenül izgalmas volt.

Az olvasók többsége úgy látta, hogy mi ez: a koncepció bizonyítéka, hogy megbeszélést indítson a nyílt forráskódú technológiák használatáról, a kormányzati kiadásokról és arról, hogy egy ember vágyik arra, hogy hűvös dolgokat készítsen a kanapéjáról.

A Pedants rámutatott a képzés, a támogatás és a szokásos vállalati informatikai költségpárnák hiányára, de senkinek sem érdemes feltárni ezeket. Inkább ezt a bejegyzést tölteném, ha megnézném az eredményeimet, és azt, hogy mások hogyan javíthatják a saját pontosságukat.

Mielőtt túl mélyen belemerülnénk az eredményekbe, szeretnék áttekinteni egy dolgot, amelyet úgy érzem, hogy elveszett az eredeti bejegyzésben. A projekt koncepciója teljesen elkülönült a 86 millió dolláros BlueNet projekttől. Ez korántsem volt kísérlet a leütésére.

Azzal a nyűgös gondolattal kezdődött, hogy mivel az OpenCV létezik, és a VicRoads webhely rendelkezik rendszámellenőrzéssel, biztosítani kell a kettő kombinálását vagy valami jobb felhasználását.

Csak amikor megkezdtem az írásomat, rábukkantam a BlueNetre. Miközben felfedeztem a BlueNet-et és annak árcéduláját, nagy szerkesztői szöget kaptam, a kódot már írtam. Bizonyos ellentmondások voltak a projektek között.

Úgy vélem, hogy ennek a felrobbantásnak egy része az ausztráliai pazarló kormányzati informatikai kiadásokról szóló jelentés kényelmes időzítése volt. A szövetségi kormány informatikai törvényjavaslata 5,9 milliárd dollárról 10 milliárd dollárra nőtt, és kétséges értéket adott ennek a kitörésnek. A velem megkeresett médiakutatók gyorsan összekapcsolták a kettőt, de ezt nem bátorítom gyorsan.

A felelősség kizárása

Az átláthatóság szellemében ki kell jelentenem valamit, ami szintén hiányzott az eredeti bejegyzésből. Előző munkáltatóm kisebb (egymillió dollárnál kevesebb) informatikai projektet nyújtott a Victoria Police és más állami szervek számára. Ennek eredményeként rendőrségi ellenőrzésen esett át és kitöltöttem a VicPol vállalkozóvá váláshoz szükséges űrlapokat.

Ez azt jelentheti, hogy van egy fejszém az őrléshez, vagy van néhány konkrét bennfentes tudásom, de ehelyett büszke vagyok az általunk megvalósított projektekre. Mind időben, mind költségvetésben szerepeltek.

Az eredmények megjelenítése

Az alábbiakban videóim mutatják be az eredményeimet, az After Effects-ben összeállítva egy kis szórakozás céljából. Különféle tesztfelvételeket rögzítettem, és ez volt a legsikeresebb klip.

A videó után részletesen kitérek a fényképezőgép ideális beállításaira, az érzékelési területekre és egyebekre. Ez segít jobban megérteni, mitől lett jobb ez az iPhone videó, amelyet a szélvédőn keresztül vettem, mint az oldalsó ablakon kihajló Contour HD.

Etikai dilemma

Ha látta ennek a cikknek a hős grafikáját, vagy megnézte a fenti videót, akkor nagyon érdekes fejleményre számíthat: észrevettem valakit .

Konkrétan elkaptam valakit 2016-tól törölt rendszámú járművet vezetve. Ez sok okból történhetett, amelyek közül a legártatlanabb egy elcsépelt viszonteladási gyakorlat.

Esetenként, ha a jármű magánértékesítését nem a könyv végzi, a vevő és az eladó nem hajthatja végre a regisztráció hivatalos átadását. Ez több száz dollárt takarít meg a vevőnek, de a járművet még mindig regisztrálják az eladónál. Nem hallatlan, hogy az eladó visszavonja a regisztrációt, és ad hoc visszatérítést kap a fennmaradó hónapokról, szintén dollárok százaiban.

Alternatív megoldásként a jármű vezetője bűnöző lehet, akiről feltételezzük, hogy az.

Szóval, bár viccesen neveztem el a projekt tányér-snitch-jét, amikor felállítottam a számítógépemre, most szembesülök azzal a gondolattal, hogy beszámoljak-e a látottakról.

Végül a sofőrt csak egy rendőri eszköz prototípusával fedezték fel. De a 2016-os regisztráció (törölt, nem lejárt) vezetése nagyon megfontolt lépés. Hmm.

Vissza az eredményekhez

A cikkemre adott sok reakció közül jelentős rész igencsak szó szerint és kétes volt. Mivel azt mondtam, hogy lemásoltam a szoftvert, azt állították, hogy rendelkeznem kell egy támogatási központtal, garanciákkal és oktatási kézikönyvekkel. Az egyik még megkísérelte megismételni az eredményeimet, és elütötte a képminőség és a forrásanyagok elkerülhetetlen útlezárásait.

Emiatt egyesek arra utaltak, hogy cseresznyésen választottam a forrásképeket. Erre csak azt tudom mondani, hogy: "Nos, duh."

Amikor elkészítettem a koncepció kezdeti igazolását (ismét egy ötlet érvényesítésére összpontosítva, nem pedig a BlueNet replikációjára összpontosítva), egy tíznél kevesebb képből álló kis mintát használtam. Mivel a fényképezőgép beállítása az ALPR egyik, ha nem a legfontosabb tényezője, ideális jellemzőknek választottam őket, amelyek fokozzák a felismerést.

A nap végén nagyon egyszerű a koncepció törékeny bizonyítékát felvenni és megtörni. Az igazi innováció és kihívás származik, hogy egy prototípus, és így működik . Szakmai karrierem során sok vezető fejlesztő azt mondta nekem, hogy a dolgokat nem lehet, vagy legalábbis nem lehet időben elvégezni. Néha igazuk volt. Gyakran csak elkerülték a kockázatot.

"Semmi sem lehetetlen, amíg be nem bizonyítják."

Sokan szemtelenkednek ezzel az idézettel, és lehet, hogy korábban látott vagy hallott annak egyik inkarnációját. Számomra szépen összefoglalja az egészséges fejlődési gondolkodásmódot, amelyben az ötletek feltárása és érvényesítése szinte kötelező megértésükhöz.

Optimális ALPR kamera beállítások

Ez a projekt annyira izgalmas és más számomra, mert egyértelmű sikermutatóval rendelkezik - felismeri-e a szoftver a lemezt. Ez csak a hardver, a szoftver és a hálózati megoldások kombinációjával történhet meg. Az eredeti cikkem közzététele után az ALPR fényképezőgépeket árusító emberek gyorsan tanácsot adtak.

Optikai zoom

A legkézenfekvőbb megoldás utólag az optikai zoom használata. Bár az alábbiakban más fontos tényezőket vizsgálok, egyik sem vezet az elismerés ilyen puszta növekedéséhez. Általánosságban elmondható, hogy a professzionális ALPR megoldások szögben vannak eltolva, betanítva, hogy hol lesz a rendszám, és az átlátszóság érdekében a területre nagyítva.

Ez azt jelenti, hogy minél több zoom, több pixel játszható le .

A rendelkezésemre álló összes kamera fix objektív volt. Ezek a következőket tartalmazták:

  • Contour HD akció kamera. Ezek 2009-ben jelentek meg, és az enyémet használom a kerékpáros ingázás rögzítésére és a heti halálközeli tapasztalatok visszajátszására.
  • A Fujifilm X100S (híresen rögzített elsődleges objektív)
  • Saját iPhone 6+

A kiemelt tesztfutást rögzítettem a telefonomon. Az egyetlen módszerem az optikai zoom replikálására az volt, hogy egy alkalmazást használtam, hogy 1080p helyett 3K-os felvételt készítsek, majd digitálisan nagyítottam és vágtam. Ismét több pixel játszható.

Szög és pozícionálás

A 30 ° -os látószöget gyakran az ideális lemezfelismerés szabványaként említik. Ez hihetetlenül fontos, amikor megtudja, hogy a BlueNet kamerák tömbjét használja. Akkor is van értelme, ha figyelembe vesszük, hogy az elülső kamera általában mit lát - nem nagyon.

Ha kitalálnám, azt mondanám, hogy egy főleg előrefelé néző tömb lenne az ideális beállítás. Egyetlen, a fentiek szerint hegyes holtpontról, két oldalközponttól mindkét oldalon 30 ° -on kívüli és egy hátrafelé néző kamerából állna . A legtöbb kamera előre mutatott értéke a megnövekedett reakcióidőből származna, ha a jármű ellentétes irányban halad. Ez gyorsabb beolvasást, feldolgozást és visszafordulást tesz lehetővé, mintha a hátsó néző kamerák egy gyanús járművet már tíz méterre a rendőri jármű mellett elkapnának.

Egy Gymbal

A videó összeállításakor a felvételek stabilizálására gondoltam. Ehelyett úgy döntöttem, hogy megmutatom a rögös utat, mi az. Amit láttál, az volt, hogy a szélvédő közelében tartottam a telefonom, miközben a feleségem vezetett. Ellenőrizze ezt a szigorú tudományos módszert.

Egyéb fontos tényezők

Filmkocka szám

Mind a projektem megismétlésére tett kísérlet, mind azóta készült felvételeim ugyanazt a tévhitet tárták fel, miszerint az ALPR mintavételi képkockasebesség a sikerhez köthető. Tapasztalataim szerint ez semmit sem tett, csak pazarolta a ciklusokat. Hihetetlenül fontos, hogy a zársebesség tiszta, éles felvételeket hozzon létre, amelyek jól beilleszkednek az algoritmusba.

De teszteltem meglehetősen alacsony sebességű felvételeket is. Legfeljebb két, egymástól elhaladó jármű 60 km / h zónában hozott létre 120 km / h differenciálművet. A BlueNet viszont állítólag 200 km / h-ig képes dolgozni.

Ennek megoldásának egyik módjaként egy kolléga javasolta az objektum detektálást és a sávon kívüli feldolgozást. Határozzon meg egy járművet, és rajzoljon egy bekötő dobozt. Várja meg, amíg az ideális felismerési szögbe és nagyításba kerül. Ezután készítsen egy sorozat fényképet aszinkron feldolgozás céljából.

Megvizsgáltam az OpenCV (node-opencv) használatát az objektumfelismeréshez, de találtam valami egyszerűbbet, mint például az arcfelismerés, 600–800 ms távolságra. Nem csak ideális a használatomhoz, de általában elég gyenge.

A Hype-train TensorFlow segít. Készüléken futtatni képes példák vannak olyan projektekre, amelyek elképesztő 27,7 kép / mp sebességgel képkockánként több járművet azonosítanak. Ez a verzió akár sebességbecsléseket is feltárhat. Jogilag értéktelen, de talán hasznos a mindennapi rendőri munkában (nincs fps referenciaérték a readme-ben).

Annak érdekében, hogy jobban megmagyarázzam, hogyan kapcsolódhat a nagy teljesítményű járműfelismerés lassabb ALPR technikákkal, készítettem egy újabb videót az After Effects-ben. Úgy képzelem, hogy a két kéz-kézben dolgozó dolog így néz ki:

Képsebesség vs záridő

A képkockasebesség eltérő megnyilvánulását nagyban befolyásolja a zársebesség, pontosabban a korai vagy alacsony kategóriájú digitális filmrögzítőket sújtó gördülő redőnyök . Az alábbiakban néhány Contour HD felvétel pillanatfelvétele látható. Csak 60 km / h sebességgel láthatja, hogy a redőny problémája többé-kevésbé használhatatlanná teszi a felvételeket az ALPR szempontjából.

A Contour HD és az iPhone készülékemnél a képkockasebesség beállítása nem eredményezett érezhetően kevesebb torzulást. Elméletileg a nagyobb zársebességnek tisztább és élesebb képeket kell eredményeznie. Egyre fontosabbá válnak, ha a 200 km / h-s BlueNet benchmarkot hajszolja. A kevesebb elmosódás és a redőny csökkenése ideális esetben jobb olvasmányhoz vezetne.

Nyissa meg az ALPR verziót

Az egyik érdekesebb felfedezés az volt, hogy az általam használt node-openalpr verzió egyszerre elavult, és közel sem olyan hatékony, mint a saját fejlesztésű megoldásuk. Bár a nyílt forráskódú követelmény minden bizonnyal tényező volt, elképesztő volt, hogy a felhőverzió milyen pontosan képes olyan kereteket sikeresen elolvasni, amelyeken még egy lemezt sem tudtam azonosítani.

Az ALPR országos képzési adatai

Azt is megállapítottam, hogy a fő csomópont-openalpr csomag alapértelmezés szerint az egyesült államokbeli feldolgozás, anélkül, hogy felülírná. Le kell húznia valaki más villáját, amely lehetővé teszi egy további országparaméter megadását.

De ez nem mindig segít. Az alapértelmezett amerikai algoritmus segítségével tudtam a legtöbb eredményt produkálni. Az ausztrál adatkészlet megadása valójában megfelezte a sikeres lemezolvasások számát, és csak egyet vagy kettőt sikerült megtalálni, amelyet az amerikai algoritmus nem tudott. Ha a különálló „Australian Wide Plate” lemezt ismét felére csökkentette, és egyetlen extra lemezt vezetett be.

Nyilvánvalóan nagyon sok kívánnivaló van az ausztráliai ALPR-alapú adatsorok tekintetében, és úgy gondolom, hogy a Victoria-ban elérhető rengeteg lemezstílus hozzájárul a tényezőkhöz.

Planar Warps

Az Open ALPR egy speciális eszközzel rendelkezik, amely csökkenti a torzítás hatását mind a kamera szöge, mind a redőny problémái miatt. A síkvetemítés olyan módszerre vonatkozik, amelyben a koordinátákat továbbítják a könyvtárba, hogy ferdítsék, lefordítsák és elforgassák a képeket, amíg az szorosan nem hasonlít az egyenes lapra.

Korlátozott tesztelési tapasztalatom alapján nem sikerült olyan síkbeli láncot találnom, amely minden sebességgel működött. Ha figyelembe vesszük a redőnyöt, akkor van értelme, hogy a torzítás nő a jármű sebességéhez képest. Elképzelhetném, hogy a gyorsulásmérő vagy a GPS sebességadatai együtthatóként működnek. Vagy tudjon egy fényképezőgépet, amely nem teljesen szemét.

Amit mások csinálnak az iparban

Az utolsó bejegyzés után számos olvasó kereste meg saját tapasztalatait és ötleteit. Talán az egyik érdekes velem megosztott megoldás az új-zélandi Auror volt.

Rögzített ALPR kamerákat alkalmaznak a benzinkutaknál, hogy jelentést tegyenek benzint lopó emberekről. Ez önmagában nem különösebben új és forradalmi. De hálózatukkal összekapcsolva automatikusan riasztást indíthatnak, ha ismert elkövetők visszatértek, vagy a környék benzinkútjait veszik célba.

Izrael, Dél-Afrika és Argentína független fejlesztői érdeklődést mutatnak a BlueNet saját feltört verzióinak felépítése iránt. Egyesek valószínűleg jobban járnak, mint mások, mivel olyan helyek, mint Izrael, hét számjegyű rendszámtáblát használnak, ábécé nélküli karakterekkel.

Key Takeaways

Egyszerűen túl sok mindent megtanultam az elmúlt hetekben, hogy beleférjek egy bejegyzésbe. Noha rengeteg becsmérlő volt, nagyon értékelem a támogatást és tudást, amelyet utamra küldtem.

Nagyon sok kihívással kell szembenéznie, amikor megpróbálja felépíteni saját ALPR megoldását, de szerencsére sok közülük megoldott probléma.

A dolgok perspektívába helyezése érdekében tervező és front end fejlesztő vagyok. Körülbelül tíz órát töltöttem most felvételeken és kódokon, további nyolcat videoprodukción, és még legalább tízet csak az írásokon. Az óriások vállára állva elértem azt, ami van. Intelligens emberek által épített könyvtárakat telepítek, és hasznos vagyok azoktól a tanácsoktól, akik megélhetésre adják el ezeket a fényképezőgépeket.

A 86 millió dolláros kérdés továbbra is megmarad - ha olyan óriások vállára állva fel tud építeni egy félig megoldást, amely rendben van, akkor mennyi pénzt kell önteni ahhoz, hogy igazán jó munkát végezzen?

Megoldásom nem is ugyanabban a naprendszerben van, mint a 99,999% -os pontos szkenner, amire úgy tűnik, hogy néhány internetes hozzászóló számít. De a BlueNet-nek csak 95% -os pontosságot kell teljesítenie.

Tehát, ha egymillió dollár 80% -os pontossággal, és talán 10 millió dollárral 90% -os pontossággal - mikor hagyja abba a kiadásokat? Továbbá, figyelembe véve, hogy a technológia itt, Óceániában bevált kereskedelmi alkalmazásoknak bizonyult, mennyivel több adózói pénzt kellene egy saját, szoros forrásból származó megoldásba önteni, amikor a helyi induló vállalkozások profitálhatnak? Állítólag Ausztrália végül is „innovációs nemzet”.